ModelScopeChatEndpoint

ModelScope (Home | GitHub) 建構於「模型即服務」(Model-as-a-Service, MaaS) 的概念之上。它旨在匯集 AI 社群中最先進的機器學習模型，並簡化在真實世界應用中利用 AI 模型之流程。此儲存庫中開源的核心 ModelScope 庫提供了介面和實作，讓開發人員能夠執行模型推論、訓練和評估。

這將幫助您開始使用 ModelScope Chat Endpoint。

概觀

整合詳情

供應商	類別	套件	本地	可序列化	套件下載	最新套件
ModelScope	ModelScopeChatEndpoint	langchain-modelscope-integration	❌	❌

設定

若要存取 ModelScope 聊天端點，您需要建立一個 ModelScope 帳戶、取得 SDK 令牌，並安裝 langchain-modelscope-integration 整合套件。

憑證

前往 ModelScope 註冊 ModelScope 並產生 SDK 令牌。完成後，設定 MODELSCOPE_SDK_TOKEN 環境變數

import getpass
import os

if not os.getenv("MODELSCOPE_SDK_TOKEN"):
    os.environ["MODELSCOPE_SDK_TOKEN"] = getpass.getpass(
        "Enter your ModelScope SDK token: "
    )

安裝

LangChain ModelScope 整合位於 langchain-modelscope-integration 套件中

%pip install -qU langchain-modelscope-integration

實例化

現在我們可以實例化我們的模型物件並產生聊天完成結果

from langchain_modelscope import ModelScopeChatEndpoint

llm = ModelScopeChatEndpoint(
    model="Qwen/Qwen2.5-Coder-32B-Instruct",
    temperature=0,
    max_tokens=1024,
    timeout=60,
    max_retries=2,
    # other params...
)

調用

messages = [
    (
        "system",
        "You are a helpful assistant that translates English to Chinese. Translate the user sentence.",
    ),
    ("human", "I love programming."),
]
ai_msg = llm.invoke(messages)
ai_msg

AIMessage(content='我喜欢编程。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 33, 'total_tokens': 36, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-coder-32b-instruct', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-60bb3461-60ae-4c0b-8997-ab55ef77fcd6-0', usage_metadata={'input_tokens': 33, 'output_tokens': 3, 'total_tokens': 36, 'input_token_details': {}, 'output_token_details': {}})

print(ai_msg.content)

我喜欢编程。

鏈接

我們可以像這樣使用提示範本鏈接我們的模型

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate(
    [
        (
            "system",
            "You are a helpful assistant that translates {input_language} to {output_language}.",
        ),
        ("human", "{input}"),
    ]
)

chain = prompt | llm
chain.invoke(
    {
        "input_language": "English",
        "output_language": "Chinese",
        "input": "I love programming.",
    }
)

API 參考文檔：ChatPromptTemplate

AIMessage(content='我喜欢编程。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 28, 'total_tokens': 31, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-coder-32b-instruct', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-9f011a3a-9a11-4759-8d16-5b1843a78862-0', usage_metadata={'input_tokens': 28, 'output_tokens': 3, 'total_tokens': 31, 'input_token_details': {}, 'output_token_details': {}})

API 參考文檔

有關所有 ModelScopeChatEndpoint 功能和配置的詳細文檔，請參閱參考文檔： https://modelscope.cn/docs/model-service/API-Inference/intro

相關

• 聊天模型概念指南
• 聊天模型操作指南